编辑推荐：
这篇综述聚焦乳腺癌风险计算器。如今有众多此类计算器，利用遗传和非遗传因素预估女性患癌风险。文中分析了常用计算器的优缺点与更新情况，指出传统计算器不足，新因素可提升准确性，未来 AI 模型将成关键评估方向。
乳腺癌风险计算器的研究目的
如今，存在大量利用遗传和非遗传风险因素来估算女性随时间推移患乳腺癌风险的计算器。本综述旨在对最常用的计算器进行概述，突出它们各自的优势、劣势以及近期的更新情况，同时为将这些计算器应用于临床实践提供实用指导。
近期研究发现
传统的乳腺癌风险计算器存在一定缺陷，无法提供个性化的乳腺癌风险评估。那些纳入了多代家族病史的模型，在评估效果上优于仅考虑有限家族病史因素的模型。乳腺密度（Mammographic density ）和多基因风险评分（Polygenic risk scores ）作为新的评估因素出现，将它们纳入现有计算器后，可显著提高评估的准确性。这是因为乳腺密度反映了乳腺组织的特性，密度较高的乳腺组织往往增加了患癌风险；而多基因风险评分综合考虑了多个基因对患癌风险的影响，从基因层面更精准地评估风险。
总结
未来乳腺癌风险评估的关键聚焦点将是人工智能（AI）模型。这类模型能够分析大规模的乳腺 X 线摄影数据集，同时纳入传统风险因素，并融合该领域的新创新成果。AI 模型凭借强大的数据处理和分析能力，有望更准确、更全面地评估乳腺癌风险，为临床决策和预防措施提供更可靠的依据，从而在乳腺癌防治中发挥重要作用 。
